[논문 리뷰] K-means Segmentation Based-on Lab Color Space for Embryo Egg Detection.

Shoffan Saifullah|arXiv (Cornell University)|2021. 03. 03.

Food and Agricultural Sciences참고 문헌 33인용 수 9

한 줄 요약

이 연구는 초기 부화 성공률 예측을 위해 단백질 색상 공간 이미지에서 K-means 분할을 제안한다. k=3을 사용하여 배경, 단백, 노른자로 세 개의 영역으로 이미지를 군집화함으로써, 색상 기반 분할 후 회색조 강화 및 형태학적 처리를 통해 배아 존재 여부를 식별한다. 이로 인해 MSE=0.0486과 MSSIM=0.9979를 기록하며 높은 정확도를 달성한다.

ABSTRACT

The hatching process also influences the success of hatching eggs beside the initial egg factor. So that the results have a large percentage of hatching, it is necessary to check the development of the embryo at the beginning of the hatching. This process aims to sort eggs that have embryos to remain hatched until the end. Maximum checking is done the first week in the hatching period. This study aims to detect the presence of embryos in eggs. Detection of the existence of embryos is processed using segmentation. Egg images are segmented using the K-means algorithm based on Lab color images. The results of the images acquisition are converted into Lab color space images. The results of Lab color space images are processed using K-means for each color. The K-means process uses cluster k=3, where this cluster divided the image into three parts, namely background, eggs, and yolk eggs. Yolk eggs are part of eggs that have embryonic characteristics. This study applies the concept of color in the initial segmentation and grayscale in the final stages. The results of the initial phase show that the image segmentation results using k-means clustering based on Lab color space provide a grouping of three parts. At the grayscale image processing stage, the results of color image segmentation are processed with grayscaling, image enhancement, and morphology. Thus, it seems clear that the yolk segmented shows the presence of egg embryos. Based on this process and results, K-means segmentation based on Lab color space can be used for the initial stages of the embryo detection process. The evaluation uses MSE and MSSIM, with values of 0.0486 and 0.9979; this can be used as a reference that the results obtained can indicate the detection of embryos in egg yolk.

연구 동기 및 목표

• 부화 성공률을 높이기 위해 단백 내 조기 배아 탐지를 향상시키기 위해.
• 기르기 시작한 지 첫 주 동안 배아 발달을 식별하는 데 도전 과제를 해결하기 위해.
• 시각적 배아 특성에 기반하여 수정란을 신뢰할 수 있고 자동으로 분류할 수 있는 방법을 개발하기 위해.
• Lab 색상 공간를 사용한 색상 기반 분할이 배아 탐지에 얼마나 효과적인지 평가하기 위해.

제안 방법

• 색상 대비를 향상시켜 분할에 유리하게 하기 위해 단백 이미지를 확보하고 Lab 색상 공간으로 변환한다.
• k=3을 사용하여 K-means 군집화를 적용하여 배경, 단백, 노른자로 세 영역으로 이미지를 분할한다.
• 색상 및 질감 특성에 기반하여 노른자 영역을 배아 존재 여부의 지표로 사용한다.
• 이미지 분할 후 그레이스케일 변환, 이미지 강화 및 형태학적 연산을 통해 배아 탐지 정밀도를 향상시킨다.
• 분할 정확도와 이미지 무결성 평가를 위해 MSE 및 MSSIM 지표를 활용한다.

실험 결과

연구 질문

• RQ1 Lab 색상 공간에서의 K-means 분할이 배아를 포함한 노른자와 다른 단백 성분을 효과적으로 구분할 수 있는가?
• RQ2 표준 RGB에 비해 Lab 색상 공간 변환은 분할 정확도를 어떻게 향상시키는가?
• RQ3 분할 후 처리 과정이 단백 노른자 내 배아 특징의 가시성을 얼마나 향상시키는가?
• RQ4 MSE 및 MSSIM과 같은 정량적 지표는 제안된 배아 탐지 방법의 신뢰성에 대해 무엇을 시사하는가?

주요 결과

• k=3을 사용한 K-means 군집화가 배경, 단백, 노른자로 세 개의 명확한 영역으로 단백 이미지를 성공적으로 분할하였다.
• 그레이스케일 및 형태학적 처리 후 분할된 노른자 영역이 명확하게 배아 존재 여부를 나타내었다.
• 낮은 평균 제곱 오차(MSE) 0.0486을 기록하여 이미지 재구성의 높은 무결성을 보였다.
• 높은 구조적 유사도 지수(MSSIM) 0.9979는 분할 결과가 원본 이미지의 구조와 매우 유사함을 확인하였다.
• Lab 색상 공간와 K-means 분할의 조합은 단백 노른자 내 조기 단계의 정확한 배아 탐지가 가능하다.